1月8日，北京智源人工智能研究院發布2025人工智能十大技術趨勢。該預測認為，基于Scaling Law（尺度定律）推動基礎模型性能提升的訓練模式“性價比”持續下降，后訓練與特定場景的Scaling law不斷被探索。構建原生多模態大模型成為多模態大模型進化的重要方向，世界模型有望成為多模態大模型的下一階段。基礎模型在自主決策上的持續進步帶來了潛在的失控風險，模型能力提升與風險預防并重。具身智能將繼續從本體擴展到具身腦的敘事主線，近百家具身初創企業或將迎來洗牌，廠商數量開始收斂。
趨勢一：AI4S驅動科學研究范式變革
大模型引領下的AI4S（AI for Science）已成為推動科學研究范式變革的關鍵力量。2024年，科研人員使用AI的比例快速增加，AI對科學研究方法和流程的變革效應也開始顯現。提升科學研究效率，推動科學研究從聚焦優化特定任務向更復雜、更動態、更交叉的問題發展，大模型賦能下的AI4S較以往展現出截然不同的效果。2025年，多模態大模型將進一步融入科學研究，賦能多維數據的復雜結構挖掘，輔助科研問題的綜合理解與全局分析，為生物醫學、氣象、材料發現、生命模擬、能源等基礎與應用科學的研究開辟新方向。
趨勢二：具身大小腦和本體的協同進化
2025年的具身智能將繼續從本體擴展到具身腦的敘事主線。在行業格局上，近百家具身初創企業或將迎來洗牌，廠商數量開始收斂；在技術路線上，端到端模型繼續迭代，小腦大模型的嘗試或有突破；在商業變現上，可以看到更多工業場景下的具身智能應用，部分人形機器人迎來量產。
趨勢三：統一的多模態大模型實現更高效AI
人工智能本質在于對人思維的信息過程的模擬，人類對于信息的交互和處理總是呈現多模態、跨模態的輸入輸出狀態。當前的語言大模型、拼接式的多模態大模型對人類思維過程的模擬存在天然的局限性。從訓練之初就打通多模態數據，實現端到端輸入和輸出的原生多模態技術路線給出了多模態發展的新可能。基于此，訓練階段即對齊視覺、音頻、3D等模態的數據實現多模態統一，構建原生多模態大模型，成為多模態大模型進化的重要方向。
趨勢四：Scaling Law擴展，模型泛化從預訓練向后訓練、推理遷移
基于Scaling Law推動基礎模型性能提升的訓練模式“性價比”持續下降，后訓練與特定場景的Scaling law不斷被探索。強化學習作為發現后訓練、推理階段的Scaling Law的關鍵技術，也將會得到更多的應用和創新使用。
趨勢五：世界模型加速發布，有望成為多模態大模型的下一階段
更注重“因果”推理的世界模型賦予AI更高級別的認知和更符合邏輯的推理與決策能力，這種能力不僅能推動AI在自動駕駛、機器人控制及智能制造等前沿領域的深度應用，更有望突破傳統的任務邊界，探索人機交互的新可能。
趨勢六：合成數據將成為大模型迭代與應用落地的重要催化劑
高質量數據將成為大模型進一步Scaling up的發展阻礙。合成數據已成為基礎模型廠商補充數據的首選。合成數據可降低人工治理和標注成本，緩解對真實數據的依賴，不再涉及數據隱私問題；提升數據的多樣性，有助于提高模型處理長文本和復雜問題的能力。此外，合成數據可以緩解通用數據被大廠壟斷，專有數據存在獲取成本等問題，促進大模型應用落地。
趨勢七：推理優化迭代加速，成為AI Native（AI原生）應用落地的必要條件
大模型硬件載體從云端向手機、PC等端側硬件滲透。在AI算力、內存等資源受限的設備上，大模型的落地應用會面臨較大的推理側的開銷限制，對部署資源、用戶體驗、經濟成本等均帶來巨大挑戰。算法加速和硬件優化技術持續迭代，雙輪驅動加速AI Native應用落地。
趨勢八：重塑產品應用形態，Agentic AI成為產品落地的重要模式
2025年更通用、更自主的智能體將重塑產品應用形態，進一步深入工作與生活場景，成為大模型產品落地的重要應用形態。從Chatbot（聊天機器人）、Copilot（AI助手）到AI Agent（AI智能體）、Agentic AI，2023年以來行業對于AI應用形態的理解越發深入。2023年底，AI Agent應用編排框架收斂，Agentic AI概念被提出。從更強調產品概念的Agent，到更強調應用智能程度的Agentic AI，2025年將看到更多智能化程度更高、對業務流程理解更深的多智能體系統在應用側落地。
趨勢九：AI應用熱度漸起，超級App花落誰家猶未可知
近一年時間，生成式模型在圖像、視頻側的處理能力得到大幅提升，疊加推理優化帶來的降本，Agent/RAG（檢索增強生成）框架、應用編排工具等技術的持續發展，為AI超級應用的落地積基樹本。雖然超級APP花落誰家尚未塵埃落定，但從用戶規模、交互頻次、停留時長等維度來看，AI應用熱度持續攀升，已到應用爆發的黎明前夕。
趨勢十：模型能力提升與風險預防并重，AI安全治理體系持續完善
作為復雜系統，大模型的Scaling帶來了涌現，但復雜系統特有的涌現結果不可預測，循環反饋等特有屬性也對傳統工程的安全防護機制帶來挑戰。基礎模型在自主決策上的持續進步帶來了潛在的失控風險，如何引入新的技術監管方法，如何在人工監管上平衡行業發展和風險管控，這對參與AI的各方來說，都是一個值得持續探討的議題。